Давайте разберёмся.
👉 Чем агент отличается от общения с AI в чате
Вы пишете промпт в чат и получаете ответ.
Новое сообщение — новый ответ.
Любое новое действие = написать новое сообщение.
Это простое общение с генеративным AI.
Это не AI-агент.
AI-агент — это когда модель сама решает, что делать дальше.
Получила задачу → выбрала инструмент → выполнила шаг → посмотрела на результат → решила, что делать следующим шагом.
И так по кругу, без участия человека на каждом шаге.
Пример простого AI-агента:
1. Говорим агенту «проверь все открытые задачи в Jira и сформируй отчёт».
2. AI-агент сам заходит в Jira, сам фильтрует, сам структурирует, сам пишет отчёт.
3. Мы получаем итоговый результат.
🕓 Что ещё круче обычного диалога с AI — AI-агент может запускаться без нашего участия, а по событию или по расписанию.
👉 Из чего состоит агент — минимум, который надо знать:
▫️ LLM — мозг.
принимает решения, генерирует текст
▫️ Tools – инструменты:
поиск в интернете, запросы к API, работа с файлами, выполнение кода
▫️ Memory — память:
краткосрочная (контекст сессии) и долгосрочная (база знаний, векторное хранилище)
▫️ Оркестратор — логика:
в каком порядке запускать шаги, как обрабатывать ошибки
👉 Почему аналитику важно изучать как работают AI-агенты и как их создавать
Потому что агент — это не просто разработческая история, а архитектурная.
Когда бизнес говорит «хотим автоматизировать обработку заявок через ИИ», то аналитик должен уметь ответить на вопросы:
▫️ Какие инструменты нужны агенту? (доступ к каким системам)
▫️ Где граница автономии: что агент решает сам, что эскалирует человеку?
▫️ Как логировать действия агента для аудита?
▫️ Что происходит при ошибке на одном из шагов?
▫️ Кто и как валидирует результат работы AI-агента?
Это требования. И их кто-то должен написать.
👉 Паттерны проектирования AI-агентов:
▫️ ReAct — агент чередует «думаю» и «делаю», объясняя свои шаги
▫️ Plan & Execute — сначала строит план целиком, потом выполняет
▫️ Multi-agent — несколько агентов с разными ролями: один ищет, другой анализирует, третий пишет итог
▫️ Human-in-the-loop — агент останавливается и ждёт подтверждения на критических шагах
Последний паттерн обязателен в любой системе, где агент влияет на реальные данные или деньги. Если этого нет в архитектуре — это не фича, это баг, который ещё не случился.
👉 Где строят агентов
▫️ n8n — визуальный конструктор, схема агента собирается по аналогии с bpmn.
▫️ Claude Cowork — даёшь цель, агент сам работает с твоими файлами и приложениями на компьютере, возвращает готовый результат. Для нетехнических специалистов.
▫️ Claude Code — то же, но для разработчиков и вайбкодеров: работает в терминале, читает весь код проекта, пишет и редактирует файлы, запускает тесты, итерирует — всё через естественный язык.
▫️ LangChain / LangGraph — фреймворки для разработчиков, здесь реализуют ReAct и Multi-agent. Аналитику знать детали необязательно, но понимать структуру — полезно.
AI-агенты — это новый класс систем, которые надо уметь проектировать.
Аналитик, который понимает агентную архитектуру — это уже новый уровень в профессии.
#AI_for_analysts
📱 Tg | 💙 ВК | 💬 Max